Leaderboard de AI Benchy

Name: Resultados de benchmark de modelos de AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks generados a partir de los suites de prueba de AI BENCHY en: 2026-10-17 Modelos evaluados: 442

Modelos recomendados

GPT-6.1 Sol xhigh Inteligente Tasa de aciertos por intento 97.1% Pruebas correctas 22 / 23 Puntuación 9.9/10 Gemini 3.7 Flash low Rápido Tiempo de respuesta (promedio) 6.24s Total de tokens de salida 38,453 Puntuación 9.4/10 GPT-6 Luna high Económico Precio de entrada $0.100 / 1M Precio de salida $0.500 / 1M Precio de lectura de caché $0.010 / 1M Precio de escritura de caché $0.125 / 1M Puntuación 7.7/10

442/442

Rango	Modelo	Puntuación	Empresa	Costo total	Tiempo de respuesta (promedio)
#179#179	MiMo-V2.5medium	7.1	Xiaomi	$0.130 ↓	49.20s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 69.6% Pruebas inestables 7 Tokens de entrada 259,664 Tokens de salida 8,414 Tokens de razonamiento 333,097 Tiempo de respuesta (promedio) 49.20s Tiempo de respuesta (total) 1131.69s Tiempo de respuesta (máximo) 316.27s Respuesta incorrecta: 5 Formato extra: 2 Sin respuesta: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 6.2 Combinado : 8.7 Análisis y extracción de datos : 2.7 Específico del dominio : 3.6 Inteligencia general : 5.4 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#191#191	Ember-1high	6.9	Fireworks	$2.405	58.14s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 8.6 Tasa de aciertos por intento 71.0% Pruebas inestables 8 Tokens de entrada 195,489 Tokens de salida 12,475 Tokens de razonamiento 108,748 Tiempo de respuesta (promedio) 58.14s Tiempo de respuesta (total) 1337.19s Tiempo de respuesta (máximo) 255.06s Error de API: 7 Respuesta incorrecta: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 8.7 Programación : 8.2 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 7.1 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#196#196	Kimi K2.6medium	6.8	Moonshot AI	$1.594 ↑	121.25s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 4 Tokens de entrada 226,880 Tokens de salida 65,346 Tokens de razonamiento 331,325 Tiempo de respuesta (promedio) 121.25s Tiempo de respuesta (total) 2667.55s Tiempo de respuesta (máximo) 876.20s Respuesta incorrecta: 4 Tiempo agotado: 3 No siguió las instrucciones: 2 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.0 Programación : 5.7 Combinado : 6.9 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 6.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#197#197	Qwen3.5-Flashmedium	6.8	Qwen	$0.184	83.68s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 349,177 Tokens de salida 54,279 Tokens de razonamiento 477,389 Tiempo de respuesta (promedio) 83.68s Tiempo de respuesta (total) 1840.92s Tiempo de respuesta (máximo) 515.38s Respuesta incorrecta: 5 Tiempo agotado: 3 Error de API: 1 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 10.0 Trucos anti-IA : 10.0 Programación : 3.7 Combinado : 6.4 Análisis y extracción de datos : 7.3 Específico del dominio : 2.9 Inteligencia general : 6.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.2 Llamada de herramientas : 10.0 Cultura general : 3.0
#202#202	Solar Pro 4xhigh	6.7	Upstage	$0.067	142.76s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 58.0% Pruebas inestables 2 Tokens de entrada 150,033 Tokens de salida 22,347 Tokens de razonamiento 402,143 Tiempo de respuesta (promedio) 142.76s Tiempo de respuesta (total) 3283.43s Tiempo de respuesta (máximo) 491.42s Respuesta incorrecta: 5 No siguió las instrucciones: 3 Sin respuesta: 2 Formato extra: 1 Tareas de agentes : 3.0 Trucos anti-IA : 8.3 Programación : 5.8 Combinado : 10.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 8.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#211#211	GPT-5.6 Solnone	6.7	OpenAI	$0.795	4.61s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 60.9% Pruebas inestables 3 Tokens de entrada 207,852 Tokens de salida 5,555 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.61s Tiempo de respuesta (total) 105.93s Tiempo de respuesta (máximo) 58.28s Respuesta incorrecta: 10 No siguió las instrucciones: 1 Tareas de agentes : 5.0 Trucos anti-IA : 8.3 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 6.5 Seguimiento de instrucciones : 8.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#214#214	GPT-5.5none	6.6	OpenAI	$1.212	4.75s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 2 Tokens de entrada 205,108 Tokens de salida 6,197 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 4.75s Tiempo de respuesta (total) 109.31s Tiempo de respuesta (máximo) 57.53s Respuesta incorrecta: 11 Tareas de agentes : 5.0 Trucos anti-IA : 6.9 Programación : 5.5 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 6.2 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#223#223	Qwen3.6 35B A3Bmedium	6.5	Qwen	$0.834 ↑	59.92s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 58.0% Pruebas inestables 3 Tokens de entrada 282,192 Tokens de salida 75,306 Tokens de razonamiento 700,868 Tiempo de respuesta (promedio) 59.92s Tiempo de respuesta (total) 1258.32s Tiempo de respuesta (máximo) 817.57s Respuesta incorrecta: 6 Error de API: 2 No siguió las instrucciones: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 7.7 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 4.4 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 8.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#224#224	Mercury 2.5 Previewhigh	6.5	Inception	$0.040 ↑	7.61s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 65.2% Pruebas inestables 6 Tokens de entrada 298,512 Tokens de salida 3,178 Tokens de razonamiento 177,419 Tiempo de respuesta (promedio) 7.61s Tiempo de respuesta (total) 175.08s Tiempo de respuesta (máximo) 86.84s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Error de API: 1 Llamada de herramienta no válida: 1 Tiempo agotado: 1 Tareas de agentes : 6.1 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 10.0 Llamada de herramientas : 3.0 Cultura general : 3.0
#225#225	Mercury 2.5high	6.5	Inception	$0.044	7.62s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.8 Tasa de aciertos por intento 59.4% Pruebas inestables 4 Tokens de entrada 358,562 Tokens de salida 4,266 Tokens de razonamiento 189,410 Tiempo de respuesta (promedio) 7.62s Tiempo de respuesta (total) 175.36s Tiempo de respuesta (máximo) 80.30s Respuesta incorrecta: 9 Error de API: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 6.4 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 5.0 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 8.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#226#226	Beam 1.0 501B A23Bxhigh	6.5	Reflection	$0.688	9.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 212,065 Tokens de salida 4,428 Tokens de razonamiento 154,069 Tiempo de respuesta (promedio) 9.18s Tiempo de respuesta (total) 211.12s Tiempo de respuesta (máximo) 44.64s Respuesta incorrecta: 8 Error de API: 3 Tareas de agentes : 3.0 Trucos anti-IA : 9.2 Programación : 10.0 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 5.1 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.8 Llamada de herramientas : 3.0 Cultura general : 3.0
#227#227	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 247,871 Tokens de salida 10,791 Tokens de razonamiento 17,315 Tiempo de respuesta (promedio) 15.18s Tiempo de respuesta (total) 349.06s Tiempo de respuesta (máximo) 83.60s Respuesta incorrecta: 8 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 5.2 Trucos anti-IA : 6.9 Programación : 6.2 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.1 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#230#230	Grok 4.3medium	6.5	X AI	$0.989	44.53s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 325,471 Tokens de salida 14,867 Tokens de razonamiento 217,675 Tiempo de respuesta (promedio) 44.53s Tiempo de respuesta (total) 1024.25s Tiempo de respuesta (máximo) 216.69s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Sin respuesta: 1 Tareas de agentes : 3.9 Trucos anti-IA : 10.0 Programación : 5.9 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 5.4 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 5.9 Llamada de herramientas : 10.0 Cultura general : 3.0
#234#234	Beam 1.0 501B A23Bmax	6.4	Reflection	$0.799	11.10s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 56.5% Pruebas inestables 2 Tokens de entrada 199,105 Tokens de salida 4,274 Tokens de razonamiento 195,495 Tiempo de respuesta (promedio) 11.10s Tiempo de respuesta (total) 255.26s Tiempo de respuesta (máximo) 54.48s Respuesta incorrecta: 6 Error de API: 3 No siguió las instrucciones: 2 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 10.0 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 5.5 Seguimiento de instrucciones : 8.4 Resolución de acertijos : 7.8 Llamada de herramientas : 3.0 Cultura general : 3.0
#235#235	Solar Pro 4medium	6.4	Upstage	$0.098 ↑	133.93s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.9 Tasa de aciertos por intento 60.9% Pruebas inestables 5 Tokens de entrada 299,558 Tokens de salida 33,248 Tokens de razonamiento 374,819 Tiempo de respuesta (promedio) 133.93s Tiempo de respuesta (total) 3080.36s Tiempo de respuesta (máximo) 519.91s Respuesta incorrecta: 6 No siguió las instrucciones: 2 Error de API: 1 Formato extra: 1 Sin respuesta: 1 Tareas de agentes : 4.7 Trucos anti-IA : 8.2 Programación : 5.5 Combinado : 6.4 Análisis y extracción de datos : 10.0 Específico del dominio : 3.0 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 9.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#239#239	Mercury 2.5medium	6.4	Inception	$0.034	7.74s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 63.8% Pruebas inestables 5 Tokens de entrada 317,982 Tokens de salida 3,918 Tokens de razonamiento 135,028 Tiempo de respuesta (promedio) 7.74s Tiempo de respuesta (total) 178.07s Tiempo de respuesta (máximo) 107.89s Respuesta incorrecta: 9 Error de API: 1 Tiempo agotado: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.0 Combinado : 6.5 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 4.4 Seguimiento de instrucciones : 6.4 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#247#247	Gemini 3.5 Flash Litelow	6.3	Google	$0.183	4.79s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 275,779 Tokens de salida 14,401 Tokens de razonamiento 25,511 Tiempo de respuesta (promedio) 4.79s Tiempo de respuesta (total) 110.24s Tiempo de respuesta (máximo) 53.91s Respuesta incorrecta: 9 No siguió las instrucciones: 1 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 9.0 Programación : 4.3 Combinado : 3.8 Análisis y extracción de datos : 10.0 Específico del dominio : 5.9 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 7.6 Llamada de herramientas : 10.0 Cultura general : 4.7
#252#252	Ling 3.1 Flashlow	6.3	Inclusionai	$0.000	85.22s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.7 Tasa de aciertos por intento 66.7% Pruebas inestables 6 Tokens de entrada 271,890 Tokens de salida 190,841 Tokens de razonamiento 513,329 Tiempo de respuesta (promedio) 85.22s Tiempo de respuesta (total) 1960.12s Tiempo de respuesta (máximo) 432.81s Sin respuesta: 4 No siguió las instrucciones: 3 Respuesta incorrecta: 2 Formato extra: 1 Llamada de herramienta no válida: 1 Tareas de agentes : 4.7 Trucos anti-IA : 10.0 Programación : 5.6 Combinado : 6.6 Análisis y extracción de datos : 10.0 Específico del dominio : 2.9 Inteligencia general : 3.0 Seguimiento de instrucciones : 9.8 Resolución de acertijos : 8.9 Llamada de herramientas : 4.7 Cultura general : 3.0
#263#263	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 1 Tokens de entrada 261,962 Tokens de salida 12,799 Tokens de razonamiento 2,961 Tiempo de respuesta (promedio) 3.60s Tiempo de respuesta (total) 82.91s Tiempo de respuesta (máximo) 48.59s Respuesta incorrecta: 8 No siguió las instrucciones: 2 Sin respuesta: 1 Tareas de agentes : 5.0 Trucos anti-IA : 7.5 Programación : 5.5 Combinado : 3.0 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 4.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#290#290	Ling 3.0 Flashhigh	5.8	Inclusionai	$0.021 ↕	13.08s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 11 Fiabilidad 9.8 Tasa de aciertos por intento 60.9% Pruebas inestables 4 Tokens de entrada 132,044 Tokens de salida 92,135 Tokens de razonamiento 207,321 Tiempo de respuesta (promedio) 13.08s Tiempo de respuesta (total) 287.79s Tiempo de respuesta (máximo) 75.27s Respuesta incorrecta: 7 Error de API: 2 Llamada de herramienta no válida: 2 Tareas de agentes : 3.0 Trucos anti-IA : 10.0 Programación : 6.7 Combinado : 2.9 Análisis y extracción de datos : 7.3 Específico del dominio : 3.0 Inteligencia general : 5.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 10.0 Llamada de herramientas : 10.0 Cultura general : 3.0
#312#312	GLM 5V Turbomedium	5.5	Z.ai	$0.457	23.08s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 62.3% Pruebas inestables 6 Tokens de entrada 44,615 Tokens de salida 2,347 Tokens de razonamiento 98,415 Tiempo de respuesta (promedio) 23.08s Tiempo de respuesta (total) 484.63s Tiempo de respuesta (máximo) 95.88s Respuesta incorrecta: 7 Llamada de herramienta no válida: 2 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 7.2 Programación : 6.0 Combinado : 3.4 Análisis y extracción de datos : 10.0 Específico del dominio : 5.3 Inteligencia general : 10.0 Seguimiento de instrucciones : 9.9 Resolución de acertijos : 7.7 Llamada de herramientas : 7.0 Cultura general : 3.0
#356#356	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	56.57s
Ver ficha del modelo Pruebas totales 21 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 50.7% Pruebas inestables 2 Tokens de entrada 25,987 Tokens de salida 216,719 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 56.57s Tiempo de respuesta (total) 848.59s Tiempo de respuesta (máximo) 149.94s Error de API: 7 Respuesta incorrecta: 3 Tareas de agentes : 0.0 Trucos anti-IA : 6.4 Programación : 5.3 Combinado : 5.0 Análisis y extracción de datos : 6.5 Específico del dominio : 5.3 Inteligencia general : 3.0 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#275#275	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
Ver ficha del modelo Pruebas totales 22 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 55.1% Pruebas inestables 1 Tokens de entrada 123,273 Tokens de salida 19,362 Tokens de razonamiento 0 Tiempo de respuesta (promedio) 7.67s Tiempo de respuesta (total) 122.78s Tiempo de respuesta (máximo) 51.18s Respuesta incorrecta: 5 Formato extra: 4 No siguió las instrucciones: 1 Tareas de agentes : 0.0 Trucos anti-IA : 4.8 Programación : 5.5 Combinado : 9.8 Análisis y extracción de datos : 10.0 Específico del dominio : 7.7 Inteligencia general : 6.1 Seguimiento de instrucciones : 6.5 Resolución de acertijos : 7.7 Llamada de herramientas : 10.0 Cultura general : 3.0
#366#366	Gemini 3.1 Flash Litehigh	4.6	Google	$2.044	61.96s
Ver ficha del modelo Pruebas totales 18 Pruebas incorrectas 8 Fiabilidad 10.0 Tasa de aciertos por intento 53.6% Pruebas inestables 4 Tokens de entrada 29,134 Tokens de salida 1,984 Tokens de razonamiento 1,355,583 Tiempo de respuesta (promedio) 61.96s Tiempo de respuesta (total) 1115.31s Tiempo de respuesta (máximo) 149.23s Respuesta incorrecta: 4 No siguió las instrucciones: 3 Sin respuesta: 1 Tareas de agentes : 0.0 Trucos anti-IA : 8.7 Programación : 3.3 Combinado : 5.0 Análisis y extracción de datos : 10.0 Específico del dominio : 3.6 Inteligencia general : 5.0 Seguimiento de instrucciones : 7.3 Resolución de acertijos : 5.7 Llamada de herramientas : 10.0 Cultura general : 0.0
#83#83	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
Ver ficha del modelo Pruebas totales 23 Pruebas incorrectas 10 Fiabilidad 10.0 Tasa de aciertos por intento 66.7% Pruebas inestables 4 Tokens de entrada 214,645 Tokens de salida 15,532 Tokens de razonamiento 103,679 Tiempo de respuesta (promedio) 29.42s Tiempo de respuesta (total) 676.56s Tiempo de respuesta (máximo) 111.48s Respuesta incorrecta: 5 No siguió las instrucciones: 3 Sin respuesta: 1 Tiempo agotado: 1 Tareas de agentes : 10.0 Trucos anti-IA : 7.1 Programación : 10.0 Combinado : 7.3 Análisis y extracción de datos : 10.0 Específico del dominio : 3.5 Inteligencia general : 4.5 Seguimiento de instrucciones : 10.0 Resolución de acertijos : 5.6 Llamada de herramientas : 10.0 Cultura general : 3.0

←

1 9 10 11 18

→

Tendencias globales del benchmark

Descubre cómo los modelos actuales equilibran puntuación, costo, velocidad, longitud de salida y rendimiento por categoría.

Gráficos →

Frontera de Pareto: inteligencia vs costo

Evolución de la mejor puntuación de las empresas líderes

Frontera de Pareto: inteligencia vs velocidad de respuesta

Frontera de Pareto: puntuación vs tokens de salida

Dificultad de las categorías entre modelos

Comparación rápida

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow